摘要：不同平臺(tái)的不同表情和雅虎視覺(jué)與機(jī)器學(xué)習(xí)團(tuán)隊(duì)測(cè)試了三種不同的方法算法，一種快速線性分類器算法，一種循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)算法，一種平衡性能與復(fù)雜性的卷積網(wǎng)絡(luò)。雅虎不是將機(jī)器學(xué)習(xí)應(yīng)用于的公司。

周末想在Netflix看場(chǎng)電影？可能，你選擇觀看的電影正受到來(lái)自Netflix復(fù)雜的AI算法的影響。同理，由深度學(xué)習(xí)驅(qū)動(dòng)的預(yù)測(cè)技術(shù)，將越來(lái)越便捷地決定你喜歡吃什么、穿什么。

而作為消費(fèi)型科技公司，Netflix、Yelp、Yahoo、StitchFix這4家公司正在利用AI技術(shù)改變用戶體驗(yàn)。

Netflix：動(dòng)態(tài)個(gè)性化布局與視頻縮略圖

從觀看傳統(tǒng)上來(lái)講，看電視是一個(gè)單向的通信方式——觀眾觀看到的內(nèi)容是制作者單向傳遞的，但觀眾不向內(nèi)容制作者提供反饋。借助數(shù)字流媒體技術(shù)，觀眾的觀看記錄、鼠標(biāo)（手指）點(diǎn)擊，以及檢索詞，都可以讓Netflix了解觀眾的偏好設(shè)置，并提供更多相關(guān)的內(nèi)容。

2009年，Netflix在公開(kāi)賽中為外部的編程團(tuán)隊(duì)授予了100萬(wàn)美元的Netflix獎(jiǎng)，以改進(jìn)公司的內(nèi)部評(píng)級(jí)預(yù)測(cè)系統(tǒng)。該獲勝隊(duì)伍打敗了原有的算法，效果提高超過(guò)10％。

Tony Jebara

從那時(shí)起，Netflix引入了更多先進(jìn)的機(jī)器學(xué)習(xí)算法，讓Netflix在排名、布局、目錄、會(huì)員等各個(gè)方面，實(shí)現(xiàn)全新的預(yù)測(cè)，并提高個(gè)性化水平。今年年初，Netflix公司董事、哥倫比亞計(jì)算機(jī)科學(xué)系教授Tony Jebara在舊金山的RE?WORK深度學(xué)習(xí)峰會(huì)（RE?WORK Deep Learning Summit in San Francisco）上曾解釋說(shuō)，Netflix不僅可以給用戶推薦更好的電影，而且為每個(gè)用戶預(yù)測(cè)出更好的縮略圖圖像。

圖片來(lái)源：Netflix

一般來(lái)說(shuō)，優(yōu)化網(wǎng)站上的圖像需要在一段時(shí)間內(nèi)測(cè)試A / B兩種替代方案。這種方法的問(wèn)題是，用戶必須痛苦地等待系統(tǒng)收集數(shù)據(jù)，之后才能完成較佳決策。在此期間，網(wǎng)站的部分受眾群體會(huì)經(jīng)歷測(cè)試過(guò)程的非最優(yōu)變量。這種體驗(yàn)的喪失被稱為“regret”。

圖片作者：Tony Jebara

為了較大限度地減少regret，Netflix采用動(dòng)態(tài)自適應(yīng)測(cè)試法，比如多臂老虎機(jī)（multi-arm bandit）模型。這種模型能夠在測(cè)試期間，動(dòng)態(tài)地將流量轉(zhuǎn)移為展示較好的廣告素材，并在數(shù)學(xué)上減少regret。

什么算是“更好”呢？每個(gè)人不盡相同，所以Netflix也將用戶的消費(fèi)情況納入，以執(zhí)行個(gè)性化的探索/開(kāi)發(fā)優(yōu)化。如果你經(jīng)?？聪矂?，Netflix將使用羅賓?威廉姆斯的電影《心靈捕手》的封面。如果用戶喜歡浪漫的言情片，Netflix則會(huì)把電影中馬特?達(dá)蒙和明妮?德瑞弗接吻的照片推送給用戶。

Yelp使所有地點(diǎn)展示最美麗的照片

一張圖片勝過(guò)千言萬(wàn)語(yǔ)。為了幫助用戶做出正確的餐廳選擇，Yelp的Alex Miller和他的團(tuán)隊(duì)采用深度學(xué)習(xí)算法，用來(lái)展示最美的用戶照片。

雖然指標(biāo)（比如喜歡次數(shù)和點(diǎn)擊次數(shù)）可用于評(píng)估照片，但它們也可能因偶然事件出錯(cuò)。更好的解決方案是，基于固有的內(nèi)容和特征（例如景深，對(duì)比度和對(duì)準(zhǔn)）來(lái)判斷照片，但是每天有2500萬(wàn)MAU（每月活躍用戶）給Yelp上傳成千上萬(wàn)張照片，沒(méi)有人能干得了這些工作。

2017年1月27日，在舊金山舉行的Startup ML會(huì)議上，Miller介紹了他的工程團(tuán)隊(duì)如何使用CNN（卷積神經(jīng)網(wǎng)絡(luò)）建立一個(gè)圖像評(píng)分模型。對(duì)于照片是不是好的標(biāo)準(zhǔn)可以是，這張照片是不是用單反拍的，這只需要檢測(cè)EXIF元數(shù)據(jù)就行了。

Miller的團(tuán)隊(duì)利用它創(chuàng)建出可擴(kuò)展的訓(xùn)練數(shù)據(jù)集，使用單反圖像作為正例，而非單反圖像作為負(fù)例。深度學(xué)習(xí)算法從訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)了好的照片的質(zhì)量，并且可以將這些學(xué)習(xí)應(yīng)用于所有照片，無(wú)論是否是使用單反相機(jī)拍攝的。

除了照片質(zhì)量得分，團(tuán)隊(duì)還添加了過(guò)濾器和多元化邏輯，這樣，當(dāng)你查看以某一菜或特色聞名的餐館時(shí)，前10張照片不會(huì)都是同一主題。

?

事實(shí)勝于雄辯，我們來(lái)看看圖片查看結(jié)果：

上圖是舊版本，下圖是版本

雅虎確保用戶在任何情況

可以選擇較好的表情符號(hào)

對(duì)于不愛(ài)打字的人來(lái)說(shuō)，emoji是最簡(jiǎn)單的方法。但是，emoji目前有超過(guò)1800種表情符號(hào)可供選擇，那么，用戶怎么能確定選擇最完美的那個(gè)呢？

雅虎的機(jī)器學(xué)習(xí)工程師Stacey Svetlichnaya就在解決這些問(wèn)題。當(dāng)用戶撰寫或回復(fù)消息時(shí)，自動(dòng)填充建議中應(yīng)顯示哪些表情呢？理想情況下，用戶希望可以給出前五個(gè)表情符號(hào)來(lái)選擇。

使用表情符號(hào)是高度動(dòng)態(tài)的。一些用于替換圖像，還有的用于表達(dá)情感……

另一個(gè)挑戰(zhàn)是emoji在不同平臺(tái)的視覺(jué)風(fēng)格迥然不同，容易造成誤解。

?不同平臺(tái)的不同emoji表情

Svetlichnaya和雅虎視覺(jué)與機(jī)器學(xué)習(xí)團(tuán)隊(duì)（Yahoo Vision & Machine Learning Team）測(cè)試了三種不同的方法：

FastText算法，一種快速線性分類器；

LSTM算法，一種循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)；

WordCNN算法，一種平衡性能與復(fù)雜性的卷積網(wǎng)絡(luò)。

當(dāng)然，三者之中，F(xiàn)astText不出意外地成為了速度的勝利者，但人們似乎更喜歡LSTM的結(jié)果。

雅虎不是將機(jī)器學(xué)習(xí)應(yīng)用于emoji的公司。2015年，InstagramEngineering刊發(fā)了一套由工程師Thomas Dimson撰寫的系列——Emojineering：機(jī)器學(xué)習(xí)表情符號(hào)趨勢(shì)。

系列文章地址：

https://engineering.instagram.com/emojineering-part-1-machine-learning-for-emoji-trendsmachine-learning-for-emoji-trends-7f5f9cb979ad#.wppfkra4e

StitchFix更快地找到最適合你的時(shí)尚

時(shí)尚是件很難的事，但StitchFix使造型這件事變得很輕松。這家個(gè)性化造型創(chuàng)業(yè)公司使用戶可以個(gè)性化風(fēng)格，并且每月將精選的服裝和配件送上家門。

定義風(fēng)格可能是模糊的。畢竟，用戶怎么能知道一件襯衫是否復(fù)古，或者一件衣服是否“性感”但又不顯得“太放蕩”。

?

Christopher Moody

Moody是StitchFix的數(shù)據(jù)科學(xué)家，擁有統(tǒng)計(jì)學(xué)、天體物理學(xué)和計(jì)算機(jī)學(xué)的多學(xué)科學(xué)術(shù)背景。事實(shí)證明，“書(shū)呆子”的學(xué)術(shù)技能在時(shí)尚界是大有可為的。

許多深度學(xué)習(xí)模型是“黑匣子”，用戶很難理解為什么算法得出特定的結(jié)論。Moody的研究集中于提高模型可解釋性，使人類專家能夠?qū)λ惴ǖ南鄬?duì)性能提供反饋。

一種方法是使用t-SNE（t分布的隨機(jī)相鄰嵌入），一種有助于降低可視化相似對(duì)象的維數(shù)的方法。許多深度學(xué)習(xí)模型使用人類不可能概念化的高維數(shù)據(jù)，維數(shù)減少方法將復(fù)雜的數(shù)據(jù)變成更易于理解的二維或三維散點(diǎn)圖。

Moody也是k-SVD方法的狂熱者。 k-SVD是k均值聚類方法的泛化。在高級(jí)非技術(shù)術(shù)語(yǔ)中，聚類分析指將具有類似屬性的對(duì)象分組在一起。一旦已經(jīng)識(shí)別出不同的集群，人類專家可以檢查組合，以查看它們是否表現(xiàn)出任何統(tǒng)一的特征，并添加適當(dāng)?shù)臉?biāo)簽，例如“背心”。

圖片作者：Christopher Moody

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價(jià)值的辦法，實(shí)際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉(cāng)庫(kù)，數(shù)據(jù)挖掘工具，報(bào)表系統(tǒng)等全方位知識(shí)

QQ群：81035754